1 |
Studying the variability ofbacterial growth in microfluidicdroplets / Etude de la variabilité de la croissance de bactéries en gouttes microfluidiquesBarizien, Antoine 28 May 2019 (has links)
Cette thèse porte sur l’étude de la variabilité de la croissance de bactéries en gouttes micro-fluidiques. Dans un premier temps, la puce micro-fluidique utilisée au cours de la thèse est présentée. Elle permet d’encapsuler des bactéries individuelles dans 1500 gouttes d’un nano litre, et de suivre leur croissance en parallèle grâce à la mesure de leur fluorescence par microscopie. La relation entre fluorescence mesurée et nombre de bactérie est discutée, et plusieurs questions techniques, comme la variabilité de taille des gouttes, l’hétérogénéité de fluorescence des bactéries, sont mesurées et leurs conséquences sur les mesures de croissance quantifiées. Dans un second temps, nous développons un modèle probabiliste qui permet, à partir de la variabilité des temps de divisions des bactéries, de prédire la variabilité de croissance entre les gouttes. Pour ce faire, nous adaptons le modèle classique de Bellman-Harris. La distribution aléatoire du nombre initial de bactérie par gouttes, ainsi que les temps de divisions différents des premières générations de bactéries sont ajoutées au modèle pour l’adapter à notre système expérimental. Les contributions de ces différentes sources de variabilité à la variabilité inter-gouttes de croissance des populations de bactéries sont quantifiées, et le modèle permet bien d’expliquer la variabilité de la croissance entre les gouttes. Dans un troisième temps, nous proposons un schéma d’inférence pour résoudre le problème inverse, qui est de retrouver, à partir des courbes de croissance, la variabilité des temps de division des bactéries individuelles. Le modèle précédent ne peut être utilisé à cause des sources externes de variabilité, nous proposons donc un schéma d’inférence basé sur le suivi dans le temps de chacune des trajectoires des gouttes. Grâce à des simulations reproduisant les conditions expérimentales, nous prouvons que l’inférence est possible. Elle ne peut être appliquée à nos expériences en raison de la précision insuffisante de notre mesure de fluorescence. Enfin, la même puce micro-fluidique est utilisée pour quantifier l’action d’antibiotiques sur des bactéries, notamment la réponse SOS qui est induite lorsque l’ADN de la bactérie est endommagé. La technologie d’encapsulation en goutte est utilisée pour mesurer l’hétérogénéité de réponse des bactéries et la relier à leur capacité à survivre au stress dû à l’antibiotique, et à reformer une colonie. / This thesis presents some results about the variability of the growth of bacteria in microfluidics droplets. In the first chapter, the microfluidic chip used throughout the PhD is presented. It allows to encapsulate bacteria in an array of 1.500 nano-liter sized droplets, and to follow their growth in each droplet in parallel through fluorescence microscopy. The link between the measured fluorescence and the number of bacteria in a droplet is discussed, and other technical questions are addressed, such as the variability in droplet size and the cell-to-cell fluorescence variability. Next, we develop a stochastic model to account for the observed variability of population size in the droplet during the exponential phase of growth. A well-known stochastic model, the Bellman-Harris model, is adapted to take into account the external sources of randomness due to our experimental system (initial distribution of bacteria per droplet, different division time of the first generations). They are taken into account, along with the effects of the cell-to-cell variability of division times in our model, which is successful to predict the variability observed in the microfluidics experiments. Then we tackle the inverse problem, which is to recover the cell-to-cell variability from the observation of the growth in droplets. We propose an inference scheme based on following each droplet in time. The deviation from pure exponential growth is linked back to the cell-to-cell variability, and this inference scheme is proven to be successful on simulations that mimic the experimental constrains. However, we cannot completely apply it to our experiments because of a lack of accuracy in our fluorescence measurements. Finally, we demonstrate how our chip can represent a gain of space and time to quantify the effect of antibiotics on a bacterial strain compared to classical susceptibility measurement methods. We also show how it can be used to study the variability of the SOS response of bacteria, which is a bacterial stress response induced when the DNA of the cell is damaged, and relate it to the ability to survive an antibiotic treatment.
|
Page generated in 0.0154 seconds